超大规模城市轨道交通系统承载了量级庞大的客流,乘客的出行路径选择行为也呈现多样化和非常规的趋势。在线网负荷较大的时段,乘客可能会选择特殊的出行路径来提高出行体验,反向绕行行为是其中一种典型现象。反向绕行行为是指在部分客流负载较大的车站,乘客为避免在站台留乘,缩短候车时间或者上车后获得座位,在出发车站先乘坐反方向列车,然后在不拥挤的车站折返,去往目的车站。本文针对存在反向绕行情况下的城市轨道交通乘客路径选择行为进行研究,提出反向绕行发生车站提取、车站反向绕行乘客的识别和反向绕行路径生成方法,并构建考虑反向绕行行为的路径选择模型,修正了传统路径选择模型因未考虑绕行路径所产生的误差,使得模型估计结果更符合乘客出行的实际情况。首先以北京市轨道交通为例,基于AFC等客流数据,从时间和空间的角度对客流的分布规律及其不均衡性进行分析。然后通过对O-D旅行时间的分析,描述并刻画了反向绕行行为。选取典型车站,分析反向绕行行为的旅行时间特征,并从乘客出行目的和车站地理环境的角度分析发生车站的特点。其次,针对反向绕行行为涉及到的发生车站提取、绕行乘客识别、绕行路径生成等问题,利用数据驱动的方法开展研究。提出了一种基于TF-IDF指标量化方法和FCM聚类算法的反向绕行发生车站识别方法。针对提取出的反向绕行行为发生车站,提出一种基于混合高斯模型和线性规划模型的反向绕行行为识别和路径生成方法,采用EM算法和隐式枚举算法求解模型,解决了车站反向绕行乘客的识别和反向绕行路径的生成问题,补充了路径选择研究中有效路径集合。为进一步揭示乘客反向绕行行为的产生机理,构建考虑反向绕行的路径选择模型。先从乘客个体属性、路径属性和运营服务属性三个角度定性分析路径选择行为的影响因素,并通过问卷形式调研筛选主要影响因素。然后构造考虑反向绕行费用的广义费用函数,并建立基于相对效用的路径尺度Logit模型,采用遗传算法对模型参数进行标定。模型考虑反向绕行因素的影响,对现有的路径选择模型进行补充和修正,解决了存在反向绕行行为的乘客路径选择概率估计问题。最后,以北京地铁为例,对本文提出的方法和模型进行分析和验证。结果表明,车站反向绕行乘客识别方法和绕行路径生成方法可以有效反映乘客的实际出行路径,与调研数据基本一致;与未考虑反向绕行和采用绝对效用的路径选择模型相比,本文提出的模型的计算结果与调研数据误差更小,更符合乘客的实际选择情况。